En este módulo, se presenta Vertex AI Feature Store.

La ingeniería de atributos suele ser la fase más larga y difícil de la creación de proyectos de AA. En el proceso de ingeniería de atributos, se comienza con los datos sin procesar y se utiliza el propio conocimiento del dominio para crear atributos que hagan funcionar los algoritmos de aprendizaje automático. En este módulo, exploramos qué elementos son buenos atributos y cómo representarlos en un modelo de AA.

En este módulo, se analizan las diferencias entre el aprendizaje automático y las estadísticas, y cómo realizar ingeniería de atributos en BigQuery ML y Keras. También abordaremos algunas prácticas avanzadas de ingeniería de atributos.

En este módulo, aprenderás más sobre Dataflow, una tecnología complementaria a Apache Beam. Ambas soluciones pueden ayudar a crear y ejecutar el procesamiento previo y la ingeniería de atributos.

En el aprendizaje automático tradicional, las combinaciones de atributos no desempeñan un rol significativo. Sin embargo, en los métodos modernos de AA, estas son una parte invaluable de tu kit de herramientas. En este módulo, aprenderás a reconocer los tipos de problemas en los que las combinaciones de atributos son un medio potente para facilitar el aprendizaje automático.

TensorFlow Transform (tf.Transform) es una biblioteca para el procesamiento previo de datos con TensorFlow que resulta útil cuando este proceso requiere un pase completo de datos. Por ejemplo, normalizar un valor de entrada según la media y la desviación estándar, generar números enteros a partir del vocabulario analizando valores en todos los ejemplos de entrada y agrupar las entradas según la distribución de datos observada. En este módulo, explicaremos los casos de uso de tf.Transform.

Este módulo es un resumen del curso Feature Engineering.